As mesmas técnicas usadas para treinar carros autônomos e computadores que jogam xadrez estão ajudando os físicos a explorar as complexidades do mundo quântico.

Pela primeira vez, físicos demonstraram que o aprendizado de máquina pode reconstruir um sistema quântico com base em relativamente poucas medições experimentais. Este método permitirá aos cientistas sondar completamente os sistemas de partículas exponencialmente mais rápido do que o convencional, técnicas de força bruta. Sistemas complexos que exigiriam milhares de anos para reconstruir com métodos anteriores poderiam ser totalmente analisados ​​em questão de horas.

A pesquisa beneficiará o desenvolvimento de computadores quânticos e outras aplicações da mecânica quântica, os pesquisadores relatam 26 de fevereiro em Física da Natureza .

"Mostramos que a inteligência da máquina pode capturar a essência de um sistema quântico de forma compacta, "diz o co-autor do estudo Giuseppe Carleo, um cientista pesquisador associado do Center for Computational Quantum Physics do Flatiron Institute na cidade de Nova York. "Agora podemos estender efetivamente as capacidades dos experimentos."

Carleo, que conduziu a pesquisa enquanto palestrante na ETH Zurique, foi inspirado em AlphaGo. Este programa de computador usou aprendizado de máquina para superar o campeão mundial do jogo de tabuleiro chinês Go em 2016. "AlphaGo foi realmente impressionante, " ele diz, "então começamos a nos perguntar como poderíamos usar essas idéias na física quântica."

Sistemas de partículas, como elétrons, podem existir em muitas configurações diferentes, cada um com uma probabilidade específica de ocorrência. Cada elétron, por exemplo, pode ter um giro para cima ou para baixo, semelhante ao gato de Schrödinger estar morto ou vivo no famoso experimento mental. No reino quântico, sistemas não observados não existem como qualquer um desses arranjos. Em vez de, o sistema pode ser pensado como estando em todas as configurações possíveis simultaneamente.

Quando medido, o sistema entra em colapso em uma configuração, assim como o gato de Schrödinger está morto ou vivo quando você abre sua caixa. Essa peculiaridade da mecânica quântica significa que você nunca pode observar toda a complexidade de um sistema em um único experimento. Em vez de, experimentalistas conduzem as mesmas medições continuamente até que possam determinar o estado de todo o sistema.

Esse método funciona bem para sistemas simples contendo apenas algumas partículas. Mas "as coisas ficam feias com muitas partículas, "Carleo diz. À medida que o número de partículas aumenta, a complexidade dispara. Considerando que cada elétron pode ter spin para cima ou para baixo, um sistema de cinco elétrons tem 32 configurações possíveis. Um sistema de 100 elétrons tem mais de 1 milhão de trilhões de trilhões.

O emaranhamento de partículas complica ainda mais as coisas. Por meio do emaranhamento quântico, partículas independentes tornam-se entrelaçadas e não podem mais ser tratadas como entidades puramente separadas, mesmo quando separadas fisicamente. Esse emaranhamento altera a probabilidade de diferentes configurações.

Métodos convencionais, Portanto, simplesmente não são viáveis ​​para sistemas quânticos complexos.

Giacomo Torlai, da University of Waterloo e do Perimeter Institute no Canadá, Carleo e colegas contornaram essas limitações usando técnicas de aprendizado de máquina. Os pesquisadores alimentaram medições experimentais de um sistema quântico em uma ferramenta de software baseada em redes neurais artificiais. O software aprende com o tempo e tenta imitar o comportamento do sistema. Uma vez que o software ingere dados suficientes, pode reconstruir com precisão o sistema quântico completo.

Os pesquisadores testaram o software usando conjuntos de dados experimentais simulados baseados em diferentes sistemas quânticos de amostra. Nestes testes, o software superou em muito os métodos convencionais. Por oito elétrons, cada um com rotação para cima ou para baixo, o software pode reconstruir com precisão o sistema com apenas cerca de 100 medições. Para comparação, um método convencional de força bruta exigia quase 1 milhão de medições para atingir o mesmo nível de precisão. A nova técnica também pode lidar com sistemas muito maiores. Por sua vez, essa capacidade pode ajudar os cientistas a validar se um computador quântico está configurado corretamente e se qualquer software quântico funcionaria como pretendido, os pesquisadores sugerem.

Capturar a essência de sistemas quânticos complexos com redes neurais artificiais compactas tem outras consequências de longo alcance. O co-diretor do Centro de Física Quântica Computacional, Andrew Millis, observa que as idéias fornecem uma nova abordagem importante para o desenvolvimento contínuo do centro de novos métodos para a compreensão do comportamento de sistemas quânticos em interação, e conecte-se com o trabalho em outras abordagens de aprendizado de máquina inspiradas na física quântica.

Além de aplicações para pesquisa fundamental, Carleo diz que as lições que a equipe aprendeu ao combinar o aprendizado de máquina com ideias da física quântica também podem melhorar as aplicações de uso geral da inteligência artificial. "Poderíamos usar os métodos que desenvolvemos aqui em outros contextos, "ele diz." Algum dia, poderemos ter um carro autônomo inspirado na mecânica quântica, quem sabe."